Boosting Ensemble
A boosting ensemble módszer gyengén képzett tanulókat (weak learners) tanít be szekvenciálisan, és azokat egy erős prediktorrá egyesíti, különös tekintettel azokra a mintákra, amelyeket az előző modellek hibásan osztályoztak. Minden új gyengén képzett tanuló súlyozást kap a tanítási feladatának nehézsége szerint, és a végső predikciókat súlyozott szavazással hozzák meg. Ezt a módszert Schapire (1990) úttörő munkája alapozta meg, majd Freund és Schapire (1997) AdaBoost algoritmusával finomították. A boosting a gyengén képzett tanulókat (alig jobbak a véletlenszerűnél) szekvenciális súlyozással erős tanulókká alakítja.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/hu/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostGépi tanulás↔ compare
- Bagging EnsembleEgyüttes tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Többségi szavazásEgyüttes tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →